Métodos de aprendizaje automático aplicados a problemas cosmológicos

• Autores: De los Ríos, Martín Emilio
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Domínguez Romero, Mariano Javier de León
• Materia: Aprendizaje automático; Cosmologı́a; Cúmulos de galaxias; Materia oscura; General statistical methods; Galaxy clusters; Observational cosmology; Dark matter stellar, interstellar, galactic, and cosmological; Dark energy
• Institución: Universidad Nacional de Córdoba

Tesis (Doctor en Astronomía)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019.
De los Ríos, Martín Emilio. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo presentaremos el estudio de diferentes problemas cosmológicos mediante la implementación de técnicas de aprendizaje automático. En la primera parte de la tesis se presenta el marco teórico necesario para estudiar los diferentes problemas cosmológicos que abordamos durante la tesis. Mientras que en el Capı́tulo 1 se presenta una introducción general sobre el modelo cosmológico estándar, en el Capı́tulo 2 se detallan los principales algoritmos de aprendizaje automático que se utilizarán durante este trabajo. Esta clase de algoritmos presenta una nueva forma de analizar grandes conjuntos de datos y de buscar correlaciones entre las variables involucradas en un dado problema. Habiendo sido aplicadas con mucho éxito en diferentes áreas de la ciencia y en diversos problemas tecnológicos, en este trabajo utilizamos dichos método para abordar 2 problemas astronómicos: la clasificación de cúmulos de galaxias según su estado dinámico (Capı́tulo 3) y el análisis estadı́stico del fondo cósmico de microondas (Capı́tulo 7). Además también se presenta un estudio estadı́stico sobre la relación entre el estado dinámico de los cúmulos de galaxias y los campos magnéticos presentes en el medio intra-cúmulo (Capı́tulo 4) y una serie de estudios individuales (Capı́tulos 5 y 6) sobre los candidatos a cúmulos en interacción identificados mediante algoritmos de aprendizaje automático. Finalmente en el Capı́tulo 8 se presenta un estudio teórico sobre las implicaciones observacionales que tendrı́a una posible interacción entre la materia oscura y los fotones del fondo cósmico de microondas.
In this work we present studies with novel machine learning techniques about different cosmological problems. In the first part of the work we present the necessary theoretical framework to understand the astronomical problems that we will address. In Chapter 1 we present an introduction of the standard cosmological model, while in Chapter 2 we present the principal details of the Machine learning techniques that we will use. This kind of algorithms represent a new way of analysing big datasets and to find patterns and relations between the variables that are involved in an specific problem. While these techniques have been applied with a lot of success in technological problems and in other areas of science, we apply it for 2 astronomical issues: the dynamical classification of galaxy clusters (Chapter 3) and the statistical study of the temperature anisotropies of the cosmological cosmic microwave background (Chapter 7). We also present an statistical analysis of the relation between the dynamical status of galaxy clusters and the magnetic fields in their intra-cluster medium (Chapter 4) and a series of individual studies of systems that were previously classify as merging clusters (Chapters 5 and 6). In the last Chapter (8) we introduce a theoretical study of the observational and cosmological implications that may have an interaction between the dark matter particle and the cosmic microwave background photons.
info:eu-repo/semantics/publishedVersion
De los Ríos, Martín Emilio. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.